编辑推荐：
为解决鱼类群体和个体活动量指标缺失问题，研究人员开展基于鱼类多目标跟踪的群体活动量估计方法研究。提出改进的 FasterNet 鱼类跟踪（IFFT）方法，实验表明其精度高、速度快，能有效分析鱼类群体运动，为工厂化养殖提供决策支持。
在工厂化养鱼的世界里，鱼儿们的一举一动都暗藏玄机。想象一下，在一个个巨大的养殖池里，成千上万条鱼在水中穿梭游动，它们的活动状态不仅关乎自身健康，还与整个养殖环境的好坏紧密相连。比如说，鱼的游泳速度能反映其心肺健康状况，而它们在水池中的分布情况，像半径、分散度、聚集度和极化度等指标，对自动化捕鱼和投喂策略都有着重要意义。不仅如此，鱼群的活动强度还能成为水质的 “晴雨表”，帮助养殖户提前预测和调控水质，保障鱼儿们在良好的环境里茁壮成长。
然而，在过去很长一段时间里，研究人员在监测鱼类活动这件事上遇到了不少难题。传统的估计鱼类活动量的技术，像使用生物标志物、声学技术，都有着各自的缺陷。电子标签可能会伤害到被追踪的鱼，而声纳则对使用距离有严格要求。在计算机视觉技术领域，虽然已经有了不少研究成果，但大多数方法都存在局限性。基于低级特征的方法容易受到其他移动物体的干扰，在复杂背景下难以准确区分鱼和水的像素运动；基于身体部位的方法，在鱼群行为研究中，由于鱼的肢体经常被遮挡，会导致估计出现误差；基于个体的方法，虽然能获取个体运动参数，但存在不能自动匹配个体身份等问题，难以实现实时分析。而且，大部分研究还停留在定性分析阶段，缺乏有效的定量分析方法。
为了突破这些困境，来自国内的研究人员开展了一项极具意义的研究。他们致力于开发一种基于多目标跟踪的鱼类活动量估计方法，希望能为鱼类运动行为的定量分析提供有力工具。这项研究成果发表在《Aquacultural Engineering》上，为鱼类养殖领域带来了新的曙光。
研究人员在这项研究中用到了几个关键技术方法。首先，他们采用了联合检测和跟踪（JDT）框架，并引入了名为 FasterNet 的更快骨干网络来提取图像特征图，这大大提升了跟踪模型的推理速度。其次，在骨干网络上附加了一个网络分支，用来学习前一帧的特征，同时使用大尺寸内核进行补丁嵌入以获得更大的感受野，采用深层聚合来融合多尺度特征，有效解决了遮挡和变形导致的轨迹碎片化和身份切换问题。此外，还提出了基于网格步长的鱼类群体活动量估计方法，减少了水运动对活动量估计的干扰，并利用椭圆拟合来可视化鱼群跟踪和空间分布。
下面来看具体的研究结果：
- 多目标跟踪模型改进效果显著：通过消融实验证明了对多目标跟踪方法改进的有效性。研究人员对 FasterNet 网络进行改进，添加学习前一帧特征的分支等操作，使得改进后的模型（Improved FasterNet Fish Tracking，IFFT）在跟踪性能上有了质的飞跃。
- IFFT 模型优势突出：对比实验表明，IFFT 模型在性能上远超其他现有主流方法。它实现了高达 67.54% 的高阶跟踪精度（HOTA）和 92.4% 的多目标跟踪精度（MOTA） ，平均跟踪速度达到每秒 20.6 帧（FPS）。这意味着它能够快速且准确地识别、定位鱼类，并估计两帧之间鱼的偏移量。
- 活动量估计精准：基于网格步长的鱼类群体活动量估计实验显示，该方法的平均绝对百分比误差（MAPE）每帧仅为 0.15%，这表明其对鱼类活动量的估计高度准确，能有效减少水运动带来的干扰。
- 空间分布可视化效果好：利用椭圆拟合的可视化方法，能够准确评估鱼群的分布属性，如群体半径、分散度、聚集度和极化度等，为养殖人员评估鱼的健康状况和对外界环境刺激的反应提供了直观依据。
综合来看，这项研究提出的基于多目标跟踪的鱼类群体活动量估计方法，成功解决了以往研究中的诸多问题。它借助多目标跟踪确定鱼的个体身份和位置，获取鱼的轨迹信息，进而进行活动量估计、群体划分和群体属性计算，有效避免了水运动的干扰。该方法不仅能为鱼类活动水平提供具体数值，还能对鱼群运动进行定量和可视化分析，在实际应用中意义重大。它能够支持实时的鱼类活动监测，为养殖过程中的异常情况提供早期预警，帮助养殖户及时调整养殖策略，提高工厂化养殖的效率和质量，为推动水产养殖行业的发展做出了重要贡献。
